以数据为中心的射频机器学习方法  

作　　者：Scott Kuzdeba Josh Robinson 刘力宏(译) 

机构地区：[1]BAE Systems,FAST Labs Merrimack,NH 03054 [2]不详

出　　处：《通信对抗》2024年第3期51-56,62,共7页Communication Countermeasures

摘　　要：机器学习(ML),尤其是深度学习在其他领域的成功,激发了射频(RF)领域类似的研究。RFML的最初研究主要着眼于调制识别,在过去几年里,研究已扩展到了其他应用领域。RFML已从直接应用其他领域开发的模型(例如卷积神经网络(CNN)),逐渐发展为采用更适合RF信号的模型(例如扩张因果卷积(DCC))。与此同时,业界已经意识到数据对深度学习性能的重要性,并且出现了一个日益壮大的以数据为中心的ML潮流。文章回到调制识别问题,并深入探讨如何将以数据为中心的方法与DCC模型相结合。特别是,研究了训练数据量有限的情况,并研究了达到较大训练数据集典型性能水平的方法。这是通过开发特定的SNR模型、对数据进行增强、执行多脉冲串处理以及对不平衡训练数据集的预期欠采样部分进行上采样来实现的。总体而言,文章提出了智能地使用稀疏可用数据来实现与较大数据集相同性能的方法,有助于缓解RFML所面临的挑战。因为在RFML中,收集和管理大型代表性数据集并不总是可行的。

关 键 词：射频 通信 调制识别 深度学习 机器学习 扩张因果卷积 RiftNet^(TM)ModRec 以数据为中心 

分 类 号：TP3[自动化与计算机技术—计算机科学与技术]